本文用到的是caffe下，rbg大神写的py-faster-rcnn。针对不同的数据集，不同大小的目标，修改anchor的大小和数量，是很有必要的，可以加快收敛的速度，提高检测精度，原始的数据集是VOC数据集，图片基本集中在500*375左右。在lib文件夹下generate_anchor.py中设计的anchor为128*128,256*256,512*512（不考虑ratios的话），而这样的
原文链接[1504.08083] Fast R-CNN (arxiv.org)AbstractFast RCNN在实现了几个创新点后在提升训练、测试速度的同时增加了检测的准确度Introduction检测需要准确的物体位置信息，要解决这一问题有两个挑战：其一是大量的候选区需要被处理，其二是这些候选区只包含粗略的位置信息而必须被精炼才能得到准确位置。解决这些问题通常会伴随着速度、准确度和模型复杂度三
转载
2024-10-05 11:50:23
95阅读
昨天刚参加完一个ibm的医疗影像大赛——我负责的模型是做多目标识别并输出位置的模型。由于之前没有什么经验，采用了在RGB图像上表现不错的Faster-RCNN，但是比赛过程表明：效果不是很好。所以这里把我对Faster-RCNN的原理及代码(https://github.com/yhenon/keras-frcnn)结合起来，分析一下，以厘清Faster-RCNN究竟是什么，它是怎么进行操作的。一
转载
2024-08-08 22:03:16
90阅读
从个人情感体验来说，c#在形式上是最优秀的语言。（如果一种语言，不具备形式上的美学特征，没有形而上的虚美表现，那么，不管多适用，终究也只是一种迫不得已的利用工具） c#要不要改进？ 从Java可以看出一门语言的稳定，对于它的迅速普及和应用有很大的关系。但这只是历史的产物。随着相关技术的发展，这种类似性稳定的语言，会迅速从大众眼中消失，进而成为少数高手（骨灰级）牛人的工具，也就显得阳春白雪了。c#需...
转载
2007-05-16 23:22:00
76阅读
2评论
在机器学习领域，模型的改进与优化是一个重要而复杂的过程。随着持续的数据积累和算法技术的快速进步，如何有效地提高机器学习模型的性能成为了开发者面临的主要任务之一。本文将通过一个具体的案例，详细阐述如何改进机器学习模型的过程。
### 问题背景
在我们最近的一个项目中，我们构建了一个预测房价的机器学习模型。训练好的模型在验证集上的表现良好，但在实际应用中却经常出现较大的偏差。为了清晰地呈现问题，以
OSPF（Open Shortest Path First）是一种常用于大规模网络中的动态路由协议，它通过运行在每个路由器上的进程号来管理和交换路由信息。在实际应用中，有时候需要改变OSPF的进程号以满足一些特殊需求。本文将探讨如何改进OSPF的进程号，并讨论其可能带来的影响。
首先，我们需要了解进程号（Process ID）在OSPF中的作用。进程号是在一个自治系统（Autonomous Sy
原创
2024-02-06 15:11:29
133阅读
目录介绍注意力机制计算背景变量矢量化计算背景变量GRU中的改动代码实战部分数据预处理编码器注意力机制解码器训练总结 介绍机器翻译，简单来说，给你一句英语，机器给翻译成法语，是不是想到了有道翻译？过程：可以看出，句子都是不等长的，而且每个样本句子句末都有结束标记，另外解码器的一个输入是，然后输出第一个预测词。另外编码器需要设置一个最长步数max_len，所有句子的单词数不能超过max_len，不足
转载
2024-07-16 13:32:42
48阅读
一. A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection同样是基于RPN+RCNN的思想，在Faster RCNN的基础上做了两处改进： 1.RPN在提取proposal的时候，使用了单一尺度，不能很好的适应各种不同大小的目标 多尺度检测： 目标检测需要模板能够覆盖不同scale的
转载
2024-05-31 10:29:14
193阅读
今天了解了蚁群算法，它的参数有点点复杂（太多了），主要就是信息素浓的控制。在ACA的基础上进行优化，提出了 蚂蚁-Q系统（Ant-Q System）、蚁群系统(Ant Colony System, ACS) 、最大最小蚂蚁系统（Max-Min Ant System,MMAS）和自适应蚁群算法。Ant-Q 系统将蚂蚁算法和一种增强型学习算法Q-learning有机的结合了起来。与
转载
2023-07-04 19:27:56
116阅读
深层次网络训练瓶颈：梯度消失，网络退化深度卷积网络自然的整合了低中高不同层次的特征，特征的层次可以靠加深网络的层次来丰富。从而，在构建卷积网络时，网络的深度越高，可抽取的特征层次就越丰富。所以一般我们会倾向于使用更深层次的网络结构，以便取得更高层次的特征。但是在使用深层次的网络结构时我们会遇到两个问题，梯度消失，梯度爆炸问题和网络退化的问题。 但是当使用更深层的网络时，会发生
转载
2024-09-03 03:26:29
60阅读
Socher等人于2013年提出了RNTN（Recursive Neural Tensor Networks）模型，即使用张量（Tensor）来表示组合参数。常用的三阶张量可以被理解为多个矩阵构成的向量，其中每个矩阵可以被认为是某种类型的组合操作，最终组合在一起。通过张量，既可以减少所需学习的参数，也可以表示丰富的组合操作，因此RNTN模型也取得了较好的效果。在细粒度情感分
转载
2024-05-19 12:57:33
27阅读
《Bag of Tricks for Image Classification with Convolutional Neural Networks(2018)》，论文中以ResNet为例提出了一些简单的微调技巧，并且取得了一定的成果。且不说准确率如何，论文中除了分析准确率有着怎样怎样的提升之外，还关注了产生了额外开销，并且通过分析、实验量化了这些开销，这是值得肯定的（比那些不考虑开销，盲目微调，
转载
2023-09-15 10:59:45
143阅读
文章目录基本卷积神经网络AlexNetVGG-16残差网络常用数据集MNISTPASCAL VOCMS COCOImageNet评价指标目标检测和YOLO目标检测问题滑动窗口法和一步法YOLO网络结构 基本卷积神经网络AlexNet网络结构：网络改进：池化层均采用最大池化选用ReLU作为非线性环节激活函数替代Tan Sigmoid函数网络规模扩大，参数数量接近6000万出现“多个卷积层+一个池化
转载
2023-11-09 05:14:47
92阅读
h_fc2_drop = tf.nn.dropout(h_fc2, keep_prob)
#Layer11-softmax层
W_fc3 = tf.Variable(tf.truncated_normal([1024,10],stddev=0.1))
b_fc3 = tf.Variable(tf.constant(0.1,shape=[10]))
y_conv = tf.matmul(h_
转载
2024-10-23 15:52:41
17阅读
忽然要进行培训，于是要求大家提交一些培训内容。具体怎么培训的？下班了，开始培训。 签到。 开个直播。 至少在我所见的范围内，没有人听，各做各的事。即使你想听，效果也不怎样。完全成了闹剧。 成了闹剧不是事，真正成问题的是，不想想怎么改进。为什么不想？已经听不进建议了，觉得自己完全正确，想怎么做就怎么做。...
原创
2022-02-09 09:49:32
73阅读
忽然要进行培训，于是要求大家提交一些培训内容。具体怎么培训的？下班了，开始培训。 签到。 开个直播。 至少在我所见的范围内，没有人听，各做各的事。即使你想听，效果也不怎样。完全成了闹剧。 成了闹剧不是事，真正成问题的是，不想想怎么改进。为什么不想？已经听不进建议了，觉得自己完全正确，想怎么做就怎么做。...
原创
2021-08-06 13:40:31
87阅读
近来刚参加完公司内部比赛，现在整理下各种训练技巧，提升图像分类问题的得分。所有资源整理于网络，不再一一列举引用出处。目录经典网络模型Label smooth背景介绍Label smooth 计算公式MixupTest Time Augmentation注意力机制空间注意力模型(spatial attention)通道注意力机制空间和通道注意力机制的融合分类问题的模型融合
损失函数与优化算法1. 损失函数2. 二分类损失3. 多分类损失3.1 交叉熵3.2 平滑标签的交叉熵3.3 focal loss4. 回归损失5. 优化算法5.1 Adam5.2 SGD6. 参考1. 损失函数 Pytorch 损失函数的两个参数 size_average 和 reduce 已被废弃，采用 reduction 代替它们。reduction 的取值是 none、mean、sum
1.分类（category）的作用1.1作用：可以在不修改原来类的基础上，为一个类扩展方法。1.2最主要的用法：给系统自带的类扩展方法。2.分类中能写点啥？2.1分类中只能添加“方法”，不能增加成员变量。2.2分类中可以访问原来类中的成员变量，但是只能访问@protect和@public形式的变量。如果想要访问本类中的私有变量，分类和子类一样，只能通过方法来访问。2.3如果一定要在分类中添加成员变
转载
2024-05-16 23:03:45
120阅读
模型集成系列：投票分类器的原理和案例# 导入matplotlib库中的pyplot模块，并将其命名为plt
from matplotlib import pyplot as plt
# 导入seaborn库
import seaborn as sns目录1. 引言1.1 硬投票1.2 加权多数投票1.3 软投票2. 设置2.1 导入库2.2 导入数据2.3 数据集特征2.4 数据集属性3. 数据
转载
2024-09-11 13:04:28
84阅读
